論文の概要: Local-Global Pseudo-label Correction for Source-free Domain Adaptive Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2308.14312v1
• Date: Mon, 28 Aug 2023 05:29:59 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-29 15:31:26.907291
• Title: Local-Global Pseudo-label Correction for Source-free Domain Adaptive Medical Image Segmentation
• Title（参考訳）: ソースフリー領域適応医用画像セグメンテーションのための局所的グローバル擬似ラベル補正
• Authors: Yanyu Ye, Zhengxi Zhang, Chunna Tianb, Wei wei
• Abstract要約: ドメインシフトは、医療画像ソリューションで一般的に発生する問題である。 患者のプライバシと画像品質の潜在的な劣化に関する懸念は、ソースフリーなドメイン適応に焦点を合わせている。 本研究では, ソースレス領域適応型医用画像分割のためのローカル・グローバル・擬似ラベル補正法(LGDA)を提案する。
• 参考スコア（独自算出の注目度）: 5.466962214217334
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Domain shift is a commonly encountered issue in medical imaging solutions, primarily caused by variations in imaging devices and data sources. To mitigate this problem, unsupervised domain adaptation techniques have been employed. However, concerns regarding patient privacy and potential degradation of image quality have led to an increased focus on source-free domain adaptation. In this study, we address the issue of false labels in self-training based source-free domain adaptive medical image segmentation methods. To correct erroneous pseudo-labels, we propose a novel approach called the local-global pseudo-label correction (LGDA) method for source-free domain adaptive medical image segmentation. Our method consists of two components: An offline local context-based pseudo-label correction method that utilizes local context similarity in image space. And an online global pseudo-label correction method based on class prototypes, which corrects erroneously predicted pseudo-labels by considering the relative distance between pixel-wise feature vectors and prototype vectors. We evaluate the performance of our method on three benchmark fundus image datasets for optic disc and cup segmentation. Our method achieves superior performance compared to the state-of-the-art approaches, even without using of any source data.
• Abstract（参考訳）: ドメインシフトは、主に画像装置とデータソースのバリエーションによって引き起こされる、医療画像ソリューションでよく発生する問題である。 この問題を軽減するため、教師なしドメイン適応技術が採用されている。 しかし、患者のプライバシや画像品質の劣化に関する懸念は、ソースフリーなドメイン適応に焦点を合わせている。 本研究では,自己学習に基づく領域適応型医用画像分割法における偽ラベルの問題に対処する。 疑似ラベルの誤りを正すため,ソースレス領域適応医療画像分割のためのローカル・グローバル・擬似ラベル補正法(LGDA)を提案する。 本手法は,画像空間における局所的コンテキスト類似性を利用したオフラインのローカルコンテキストに基づく擬似ラベル補正手法である。 また,クラスプロトタイプに基づくオンラインのグローバルな擬似ラベル補正手法により,画素ワイド特徴ベクトルとプロトタイプベクトルとの相対距離を考慮し,誤予測された擬似ラベルを補正する。 我々は,光学ディスクとカップセグメンテーションのための3つのベンチマークベース画像データセットの性能評価を行った。 本手法は,ソースデータを用いなくても,最先端手法と比較して優れた性能を実現する。

関連論文リスト

• FPL+: Filtered Pseudo Label-based Unsupervised Cross-Modality Adaptation for 3D Medical Image Segmentation [14.925162565630185]
  医用画像分割のための拡張フィルタ擬似ラベル (FPL+) を用いたUnsupervised Domain Adaptation (UDA) 手法を提案する。 まず、ソースドメイン内のラベル付き画像を、擬似ソースドメインセットと擬似ターゲットドメインセットからなる二重ドメイントレーニングセットに変換するために、クロスドメインデータ拡張を使用する。 次に、ラベル付きソースドメインイメージとターゲットドメインイメージを擬似ラベルと組み合わせて最終セグメンタを訓練し、不確実性推定に基づく画像レベルの重み付けとデュアルドメインのコンセンサスに基づく画素レベルの重み付けを提案し、ノイズのある擬似の悪影響を軽減する。
  論文  参考訳（メタデータ） (2024-04-07T14:21:37Z)
• Context-Aware Pseudo-Label Refinement for Source-Free Domain Adaptive Fundus Image Segmentation [15.175385504917125]
  Source-free unsupervised domain adaptation (SF-UDA) は、ソース側で訓練されたモデルを適用して、ターゲットの分布をソースモデルと未ラベルのターゲットデータのみと整合させることを目的としている。 SF-UDAのための文脈認識型擬似ラベル改善手法を提案する。 クロスドメイン・ファンドス・イメージの実験から,我々のアプローチが最先端の結果をもたらすことが示唆された。
  論文  参考訳（メタデータ） (2023-08-15T12:11:33Z)
• Domain Adaptation for Medical Image Segmentation using Transformation-Invariant Self-Training [7.738197566031678]
  領域適応型変換不変自己学習(TI-ST)のための半教師付き学習戦略を提案する。 提案手法は,画素単位の擬似ラベルの信頼性を評価し,自己学習中の信頼できない検出をフィルタリングする。
  論文  参考訳（メタデータ） (2023-07-31T13:42:56Z)
• Source-Free Domain Adaptation for Medical Image Segmentation via Prototype-Anchored Feature Alignment and Contrastive Learning [57.43322536718131]
  医用画像セグメンテーションのための2段階のソースフリードメイン適応(SFDA)フレームワークを提案する。 プロトタイプアンコールされた特徴アライメントの段階では,まず,事前学習した画素ワイド分類器の重みを原プロトタイプとして利用する。 そこで,本研究では,目標となる特徴とクラスプロトタイプとの整合性を期待するコストを最小化し,双方向輸送を導入する。
  論文  参考訳（メタデータ） (2023-07-19T06:07:12Z)
• Adaptive Face Recognition Using Adversarial Information Network [57.29464116557734]
  顔認識モデルは、トレーニングデータがテストデータと異なる場合、しばしば退化する。 本稿では,新たな敵情報ネットワーク(AIN)を提案する。
  論文  参考訳（メタデータ） (2023-05-23T02:14:11Z)
• SePiCo: Semantic-Guided Pixel Contrast for Domain Adaptive Semantic Segmentation [52.62441404064957]
  ドメイン適応セマンティックセグメンテーションは、ラベル付きソースドメインでトレーニングされたモデルを利用することで、ラベル付きターゲットドメイン上で満足のいく密度の予測を試みる。 多くの手法は、ノイズの多い擬似ラベルを緩和する傾向があるが、類似のセマンティックな概念を持つクロスドメインピクセル間の固有の接続を無視する。 本稿では,個々の画素のセマンティックな概念を強調する一段階適応フレームワークSePiCoを提案する。
  論文  参考訳（メタデータ） (2022-04-19T11:16:29Z)
• Target and Task specific Source-Free Domain Adaptive Image Segmentation [73.78898054277538]
  ソースフリー領域適応画像分割のための2段階のアプローチを提案する。 我々は,高エントロピー領域を抑えつつ,ターゲット固有の擬似ラベルを生成することに注力する。 第2段階では、タスク固有の表現にネットワークを適用することに重点を置いている。
  論文  参考訳（メタデータ） (2022-03-29T17:50:22Z)
• Global and Local Alignment Networks for Unpaired Image-to-Image Translation [170.08142745705575]
  未ペア画像から画像への変換の目的は、対象領域のスタイルを反映した出力画像を作成することである。 既存の手法では内容変化に注意が払われていないため、ソース画像からの意味情報は翻訳中の劣化に悩まされる。 我々はGLA-Net(Global and Local Alignment Networks)という新しいアプローチを導入する。 本手法は既存の手法よりもシャープでリアルな画像を効果的に生成する。
  論文  参考訳（メタデータ） (2021-11-19T18:01:54Z)
• Source-Free Domain Adaptive Fundus Image Segmentation with Denoised Pseudo-Labeling [56.98020855107174]
  ドメイン適応は通常、ソースドメインデータにアクセスして、ターゲットデータとのドメインアライメントのために配布情報を利用する必要があります。 多くの実世界のシナリオでは、プライバシの問題により、ターゲットドメインのモデル適応中にソースデータがアクセスできない場合がある。 本稿では,本問題に対する新たな擬似ラベル付け手法を提案する。
  論文  参考訳（メタデータ） (2021-09-19T06:38:21Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。